MiniMind-O来了！动手训练0.1B主干「能看能听能说」的多模态Omni模型
MiniMind 系列第三站是：MiniMind-O！
从 0 训练一个仅约 0.1B 参数的开源 Omni 模型，支持文本、语音、图像输入，并能输出文本与流式语音。项目完整开源代码、权重、mini / full 两套训练数据，其中 mini 数据集可在单张 RTX 3090 上约 2 小时跑通完整训练链路。并有minimind-3o系列模型的配套技术报告论文！
MiniMind-O 支持语音对话、图像理解、流式语音生成、实时打断、近似双工交互、音色克隆和电话模式 WebUI。目标很简单：真正从代码和数据开始，自己训练、理解和改动一个完整 Omni 模型。
🔗 GitHub：https://github.com/jingyaogong/minimind-o
🔗 Technical Report：http://arxiv.org/abs/2605.03937
欢迎关注、欢迎一键三连！
如果项目有帮助，也欢迎在 GitHub 给一个 Star！
顶部